Perplexity AI (PT)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI é uma startup americana e um mecanismo de busca homônimo (conversational search engine), que utiliza inteligência artificial para fornecer respostas diretas às consultas dos usuários com a indicação das fontes de informação[1]. A empresa foi fundada em 2022 por uma equipe de especialistas da OpenAI, Meta, Google, DeepMind e Databricks[2].

A plataforma combina seus próprios grandes modelos de linguagem (LLM) e o acesso aos principais modelos de outras empresas, o que lhe permite otimizar a velocidade, a precisão e o custo das respostas. A tecnologia principal da Perplexity é um sistema avançado de Retrieval-Augmented Generation (RAG), que enriquece as respostas do LLM com informações atuais de sua própria infraestrutura de busca[3].

História e fundadores

A empresa Perplexity AI foi fundada em 2022 por quatro especialistas:

  • Aravind Srinivas (CEO) — ex-pesquisador na OpenAI, Google Brain e DeepMind[4].
  • Denis Yarats (CTO) — ex-cientista pesquisador na Meta AI.
  • Johnny Ho (CSO) — ex-engenheiro na Quora.
  • Andy Konwinski — cofundador da Databricks[2].

Inicialmente, o projeto foi concebido como um serviço B2B para análise de dados, mas em outubro de 2022, a equipe desenvolveu um protótipo de mecanismo de busca baseado no Bing e no GPT-3, o que definiu o rumo futuro da empresa[5].

A Perplexity AI atraiu investimentos significativos de grandes players, incluindo Nvidia, SoftBank e o fundador da Amazon, Jeff Bezos. No início de 2025, a avaliação da empresa atingiu US$ 14 bilhões[6], e a audiência ativa mensal ultrapassou 15 milhões de usuários[7].

Arquitetura tecnológica

Retrieval-Augmented Generation (RAG)

A base da Perplexity é a tecnologia RAG, que permite superar as limitações dos LLMs tradicionais, como conhecimento desatualizado e "alucinações". O algoritmo de funcionamento consiste em várias etapas[8]:

  1. Análise e reformulação da consulta do usuário para uma busca otimizada.
  2. Busca de informações usando uma infraestrutura de busca própria (crawler e sistema de ranqueamento), que prioriza fontes confiáveis e não-SEO[7].
  3. Extração dos fragmentos ("snippets") mais relevantes das páginas da web encontradas.
  4. Geração de uma resposta coesa e precisa por meio de um LLM com base nesses fragmentos.
  5. Formatação da resposta com citações e links para as fontes originais.

Estratégia multimodelo

A Perplexity utiliza uma abordagem híbrida, combinando modelos próprios e de terceiros para alcançar um equilíbrio entre velocidade, precisão e custo[9].

  • Para respostas rápidas na versão gratuita, o Claude 3 Haiku é frequentemente utilizado.
  • Para tarefas complexas na versão paga Pro, estão disponíveis modelos mais poderosos, como o Claude 3.5 Sonnet e o GPT-4o.

Os usuários com a assinatura Perplexity Pro podem escolher manualmente entre uma ampla gama de modelos, incluindo[10]:

  • OpenAI: GPT-4o, GPT-4 Turbo
  • Anthropic: Claude 3.5 Sonnet, Claude 3 Opus, Claude 3 Haiku
  • Google: Gemini 2.5 Pro
  • Meta: Llama 3
  • Mistral AI: Mistral Large
  • xAI: Grok-3 Beta
  • Modelos próprios da Perplexity.

Modelos próprios da Perplexity

A empresa desenvolve seus próprios modelos, otimizados para tarefas de busca e para trabalhar com informações atuais da internet.

Família PPLX (modelos iniciais)

Os primeiros modelos próprios da Perplexity, disponíveis via API, foram o pplx-7b-online e o pplx-70b-online, apresentados em dezembro de 2023[11]. Eles foram baseados em versões ajustadas (fine-tuned) do Mistral 7B e do Llama 2 70B, respectivamente, e eram especializados em trabalhar com dados online[12].

Família Sonar (geração atual)

Sonar é a principal família de modelos, construída com base no Llama 3.3 70B da Meta, mas que passou por um treinamento adicional (fine-tuning) para aumentar a precisão factual e a legibilidade das respostas no modo de busca[13].

Principais características do Sonar:

  • Alta velocidade: Graças à parceria com a Cerebras e ao uso de sua infraestrutura de inferência especializada, o Sonar atinge uma velocidade de geração de até 1200 tokens por segundo, o que é quase 10 vezes mais rápido que o Gemini 2.0 Flash[14].
  • Tecnologia de decodificação especulativa: Para acelerar ainda mais a geração, é utilizado um "modelo de rascunho" (draft model) próprio de 1B, que permite ao modelo principal gerar vários tokens em uma única passagem[15].
  • Alto desempenho: Na avaliação Search Arena da LM Arena, o modelo Sonar-Reasoning-Pro conquistou o primeiro lugar, empatando estatisticamente com o Gemini-2.5-Pro-Grounding[16].

API e soluções corporativas

A Perplexity oferece acesso aos seus modelos através da Sonar API e da Sonar Pro API para desenvolvedores e clientes corporativos. As APIs são otimizadas para velocidade e facilidade de uso, incluindo a capacidade de citação e personalização das fontes de busca. As soluções da Perplexity são utilizadas em diversos setores para criar sistemas de busca nativos e automatizar tarefas de pesquisa[17].

Análise comparativa e experiência do usuário

O desempenho da Perplexity varia dependendo do tipo de tarefa.

  • Em tarefas que exigem alta precisão factual com base em dados recentes (por exemplo, análise radiológica), a Perplexity demonstra a maior precisão (0,83), superando o Claude, o Bing e o ChatGPT[18].
  • Em tarefas relacionadas a conhecimentos raros ou altamente especializados (por exemplo, doenças raras), a Perplexity pode ser inferior a modelos com uma base de conhecimento mais ampla, como o ChatGPT e o Gemini[19].

Um estudo de usabilidade (SUS) mostrou que, embora ambas as plataformas, Google e Perplexity, sejam aceitáveis, o Google recebeu uma pontuação mais alta (82,29) em comparação com a Perplexity (73,98). Isso se deve à interface familiar do Google e a uma curva de aprendizado mais íngreme na Perplexity, que oferece recursos inovadores, mas menos familiares[20].

Ligações externas

Literatura

  • Chen, C.; et al. (2023). Accelerating Large Language Model Decoding with Speculative Sampling. arXiv:2302.01318.
  • Zhang, J.; et al. (2023). Draft & Verify: Lossless Large Language Model Acceleration via Self‑Speculative Decoding. arXiv:2309.08168.
  • Chen, H.; et al. (2024). Retrieval‑Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997.
  • Soudani, H.; et al. (2024). Fine‑Tuning vs. Retrieval‑Augmented Generation for Less‑Popular Knowledge. arXiv:2403.01432.
  • Chen, Y.; et al. (2024). Evaluation of Retrieval‑Augmented Generation: A Survey. arXiv:2405.07437.
  • Hsieh, C.‑P.; et al. (2024). RULER: What's the Real Context Size of Your Long‑Context Language Models?. arXiv:2404.06654.
  • Arena Team (2025). Search Arena: Analyzing Search‑Augmented Large Language Models. arXiv:2506.05334.
  • Zhu, W.; et al. (2025). PSC: Extending Context Windows via Phase Shift Calibration. arXiv:2505.12423.
  • Yu, L.; et al. (2025). Synergizing RAG and Reasoning: A Systematic Review. arXiv:2504.15909.
  • Chen, X.; et al. (2025). Universal Embeddings for Multimodal Multilingual Retrieval. arXiv:2506.18902.

Notas

  1. ↑ «Perplexity.ai». Na Wikipedia, a enciclopédia livre. [1]
  2. ↑ «An Introduction to RAG Models». Perplexity AI. [3]
  3. ↑ «Aravind Srinivas». In Wikipedia. [4]
  4. ↑ Belousova, Anastasia. «Como um bielorrusso e seus parceiros construíram uma das startups mais caras do mundo, a Perplexity». Forbes.ru. [5]
  5. ↑ «Startup Perplexity AI avaliada em US$ 14 bilhões». Vash Golos. [6]
  6. ↑ 7.0 7.1 «O mecanismo de busca Perplexity baseado em IA mostrou um crescimento explosivo e está pronto para competir com o Google». 3DNews. [7]
  7. ↑ «Perplexity: que tipo de rede neural é, como funciona e para que serve». TimeWeb.Cloud. [8]
  8. ↑ «Perplexity e Claude AI: o motor para respostas precisas». Kedr.pro. [9]
  9. ↑ «What advanced AI models are included in a Perplexity Pro subscription?». Perplexity Help Center. [10]
  10. ↑ «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». MarkTechPost. [11]
  11. ↑ «Introducing PPLX Online LLMs». Perplexity Blog. [12]
  12. ↑ «Meet a new era of Perplexity Sonar». Perplexity Blog. [13]
  13. ↑ «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». Cerebras Press Release. [14]
  14. ↑ «Accelerating Sonar through Speculation». Perplexity Blog. [15]
  15. ↑ «Perplexity Sonar Dominates New Search Arena». Perplexity Blog. [16]
  16. ↑ «Introducing the Sonar Pro API». Perplexity Blog. [17]
  17. ↑ «Comparative Analysis of Large Language Models for Question Answering in Radiology». Thieme Connect. [18]
  18. ↑ «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». MDPI. [19]
  19. ↑ «Usability and User Satisfaction of Google Search and Perplexity AI». IEEE Xplore. [20]
Retrieved from "https://systems-analysis.info/int/index.php?title=Perplexity_AI_(PT)&oldid=5560"